OFC-11: Pengertian Random

Number
 SIMULASI PSEUDO
RANDOM

Ciri2-nya
1.Simulasi dengan mempergunakan bilangan random
disesuaikan dengan fungsi generator Probabilitas
2. Proses pseudo random menghasilkan bilangan
random yang berada dalam distribusi peluang
tertentu untuk dapat mendekati nilai dunia nyata yang
berdasar fungsi distribusi peluang statistik tertentu.
3. Distribusi Probabilitas Komulatif mempunyai dua
bentuk yaitu bentuk diskrit dan kontinu.
Phases in Simulation Study

Problem
formulation

Data collection Model

Formulation

Data analysis Program

Generation

Model
valid
Fine model

Experimental
Design
Analysis
Simulation Results
 Contoh Program Generation ;
diagram alir simulasi
loading - unloading di pelabuhan laut
Kapal tiba
Kapal tiba
Kapal Tunggu dilaut
ada

Tidak ada
Kapal Tarik

Tarik ke darmaga Tunggu didarmaga

Tidak ada

Bongkar muatan
ada Tarik ke laut lepas
Kapal Tarik

Kapal pergi
Penjelasan gambar diatas
1. Kapal akan tunggu dilaut bila kapal tarik tidak ada karena
lagi dipakai.
2. Kapal akan tunggu didarmaga bila kapal tarik lagi dipakai.
3.Bila hendak mengetahui efektifitas dari kapal tarik, ada tiga
waktu yang harus di-ketahui
a. Lama waktu kapal tarik menarik kedermaga
b. Waktu bongkar muatan kapal
c. Waktu tarik dari darmaga kelaut.
Simulasi dikembangkan untuk mengetahui
1. waktu rata2-nya, bila kapal tarik jumlahnya terbatas.
2. Tidak diketahui kapal kapal-tarik siap utk menarik
kapal yang datang.
3. Waktu bongkar muatan tergantung kapasitas kapal
yang datang.
 DATA YANG BERKAITAN
DENGAN SIMULASI
1. Koleksi data; data yang dikumpulkan
adalah data dasar untuk membangun
program simulasi, dan berkaitan dengan
variabel random dalam simulasi.
2.Analisis data; Tentukan fungsi generator
untuk membentuk distribusi
probabilitasnya secara komulatif.
3. Buat histogram komulatif
 DISTRIBUSI PROBABILITAS PSEUDO RANDOM

Distribusi probabilitas adalah nilai-nilai probabilitas

dipergunakan untuk mewakili semua nilai yang dapat terjadi dari
suatu variabel random X.

Variabel random X adalah sesuatu yang nilainya ditentukan

oleh perobahan dari proses yang berada diluar kontrol kita.

Jumlah probabilitas dari semua kemungkinan kejadian

harus sama dengan satu.

Simbol probabilitas dinyatakan sebagai P(x=X) atau P(X)

yaitu bilangan random dengan nilai dari 0 sampai dengan 1.

Variabel random diskrit adalah semua nilai random dalam

tabel dengan harga diskrit .

Variabel random kontinyu adalah semua nilai pecahan yang

dapat terjadi, tidak semuanya dalam tabel, dengan harga
dinyatakan dengan fungsi kontinyu.
 TEORI PROBABILITAS;
Teori probabilitas selalu berhubungan dengan suatu
kejadian khusus yang disebut kejadian random (random
events).
Random events yaitu kejadian dimana outcome (keluaran)
terjadi karena adanya kesempatan/chance, atau keluaran
dugaan/ probability of the outcome.
Konsep dasar suatu probability of the outcome dapat
dicari sebagai prosentasi waktu kapan kejadian outcome
tersebut terjadi. (Outcome tergantung pada waktu).Misal tos
mata uang dimana pada sebagian waktu (50% waktu tos)
akan terbuka sisi salah satu muka dari mata uang tersebut.
Dua konsep yang berpengaruh terhadap teori probabilitas
adalah;
Obyektif ; dimana probabilitas dihubungkan terhadap long run
frequencies of occurance.(Pada waktu yang lama maka tos
mata uang akan menghasilkan kemungkinan 50% untuk setiap
sisis muka mata uang.
Subyektif; dijaga suatu tingkat kepercayaan (Degree of belief).
Lanjutan Probabilitas;

Menghitung harga probabilitas;

P(x) = 1/ n! , Misal;
untuk mata uang koin P(x) = 1 / 2! = 0.50, yaitu pada tos mata uamg
tersebut dilakukan dalam jumlah yang banyak akan terbukti bahwa masing
masing akan bergantian sis muka yang keluar sebanyak 50%.(Buktikan).
Contoh; Misalkan koin di-tos sebanyak 1000 kali, maka ekspektasi dari sisi
muka yang akan keluar adalah masing masing 500 kali. Bila fair games
dilakukan maka antara bandar dan penjudi akan sama sama menang.
25oCjanuari di daerah puncak bertemperatur 25 o C adalah
Probabilitas dari bulan
1/10, artinya
Telah diselidiki oleh biro statistik bahwa selama 10 tahun tiap bulan januari ada
1 bulan yang bertemperatur 25oC, atau
berdasar perubahan klimatologi maka setiap januari dalam perioda 10 tahunan
akan ada 1 bulan dimana di Puncak bertemperatur 25oC.
Penggunaan probabilitas untuk mengukur Expected value
Expected value (w) = w1 p1 + w2p2 + ...............
Untuk koin dimana p1 + p2 = 1 , bila p1 untuk kemenangan (positif) dan w =
w1 0.5 + w2 ( - 0.5) = 0
p2 untuk kekalahan (negatif) maka Bila untuk tos koin diatas w1 = Rp 200,
sedangkan w2 = Rp.100, maka w = 200 (0.5) - 100 (0.5) = Rp.50.- Artinya
setiap main akan ada rata rata kemenangan sebesar Rp/50,-
 DISTRIBUSI PROBABILITAS;
Distribusi probabilitas selalu berhubungan dengan suatu kejadian khusus
yang disebut kejadian random (random events).
Random events yaitu kejadian dimana outcome (keluaran) terjadi karena
adanya kesempatan/chance, atau keluaran dugaan/ probability of the
outcome.
Konsep dasar suatu probability of the outcome dapat dicari sebagai
prosentasi waktu kapan kejadian outcome tersebut terjadi. (Outcome
tergantung pada waktu).Misal tos mata uang dimana pada sebagian waktu
(50% waktu tos) akan terbuka sisi salah satu muka dari mata uang
tersebut.
Dua konsep yang berpengaruh terhadap teori probabilitas adalah;
Obyektif ; dimana probabilitas dihubungkan terhadap long run
frequencies of occurance.(Pada waktu yang lama maka tos mata uang
akan menghasilkan kemungkinan 50% untuk setiap sisis muka mata
uang.
Subyektif; dijaga suatu tingkat kepercayaan (Degree of belief).
Lanjutan Probabilitas;

Menghitung harga probabilitas;

P(x) = 1/ n! , Misal;
untuk mata uang koin P(x) = 1 / 2! = 0.50, yaitu pada
tos mata uamg tersebut dilakukan dalam jumlah
yang banyak akan terbukti bahwa masing masing
akan bergantiano
25 C
sis muka yang keluar sebanyak
50%.(Buktikan). Contoh; Misalkan koin di-tos
sebanyak 1000 kali, maka ekspektasi dari sisi muka
yang akan keluar adalah masing masing 500 kali. Bila
fair games dilakukan maka antara bandar dan
penjudi akan sama sama menang.
Probabilitas dari bulan januari di daerah puncak
bertemperatur 25 o C adalah 1/10, artinya
Telah diselidiki oleh biro statistik bahwa selama 10
tahun tiap bulan januari ada 1 bulan yang
bertemperatur 25oC, atau
berdasar perubahan klimatologi maka setiap januari
dalam perioda 10 tahunan akan ada 1 bulan dimana di
Puncak bertemperatur 25oC.
Penggunaan probabilitas untuk mengukur Expected
value
Expected value (w) = w1 p1 + w2p2 + ...............
Untuk koin dimana p1 + p2 = 1 , bila p1 untuk
kemenangan (positif) dan w = w1 0.5 + w2 ( - 0.5) =
0
p2 untuk kekalahan (negatif) maka Bila untuk tos
koin diatas w1 = Rp 200, sedangkan w2 = Rp.100,
maka w = 200 (0.5) - 100 (0.5) = Rp.50.- Artinya
setiap main akan ada rata rata kemenangan
sebesar Rp/50,-
 PERBANDINGAN SIMULASI
DENGAN OPTIMASI (?)
Model Simulasi Model Optimasi
Input: Input;
Nilai parameter dan Parameter
keputusan Proses:
Proses: Model optimasi
Simulator matematika
Output: Output:
Ukuran efektivitas Variabel keputusan
yang optimal dan nilai
optimal ukuran
efektivitas
 Analisis Peluang Dalam
Kasus Pseudo Random
1. Teori Peluang
Peluang adalah suatu probabilitas (ukuran
kecenderungan atas munculnya/terjadinya
suartu peristiwa/kejadian/event.
2. Nilai probabilitas
antara 0 dan 1
3. Komponen peluang;
Event, Ruang sample,dan sample.
 Ringkasan Distribusi Peluang
1. Distribusi 3. Distribusi binomial;
exponensial;
1. Rata rata = = 1/ Rata rata = nP
2. Variansi = 2 Variansi + nP(1-P)
2. Distribusi Normal 4. Distribusi Poisson;
1. Rata rata = 1. Rata rata =
2. Variansi = 2 2. Variansi =
3. Distribusi bernoulli;
1. Rata rata = P 5. Distribusi Uniform;
2. Variansi = P(1-P) Rata rata = (B+A)/2
Variansi = (B-A)2 / x
 D.P diskrit contohnya adalah
D.P. Poisson.
Variabel X = jumlah kejadian pada interval
waktu tertentu. (Mis. 1 hari terjual mobil 2
mobil,dst).
Bila rata2 banyaknya kejadian perinterval
waktu = .
Jadi P(X)= x e - / x!
contoh; jumlah mobil terjual setiap harinya
akan mengikuti distribusi Prob. Poisson.
 HUBUNGAN X vs P(X)
Disini hubungan D.P nya adalah Kontinyu dan berdistribusi
Normal, dimana nilai P(X) dinyatakan untuk mewakili nilai
variabel random X.

P(X)
f{P(X)}
0.20

0.15

0.10

0.05

a1 a2 a3 a4 m b4 b3 b2 b1 X
f{P(X)}= 1/(22)1/2 e -(x-)2/22
 Pembangkitan Bilangan Acak
Random Number Generator
Definisi; Suatu algoritma yang digunakan untuk
menghasilkan uruta-urutan angka angka random
baik secara hitungan manual maupun komputasi
elektronik (komputer)
Bilangan acak disesuaikan dengan besar
probabilitas yaitu antara 0 s/d 1.0 dan
berdistribusi seragam.
Syarat Pembangkitan Bilangan acak;
Bersifat random
Tidak ber-ulang (Degenerative)
Perioda ulang biasanya munculnya sangat panjang
 Metoda Pembangkitan Bilangan
Acak
Manual Sederhana;
dengan lempar koin, ambil bola pingpong dalam keranjang
secara acak, lempar dadu, putaran roullete.
Tabel bilangan acak.
Berupa daftar angka acak yang sudah diakui kebenaran acak-
nya
Menggunakan Komputer.;
Menggunakan algoritma komputer yang diprogram
Jenis bilangan acak
Murni; acak langsung dipergunakan contoh peristiwa simulasi
Monte Carlo penjualan sepatu .
Tidak Murni (Pseudo random); dihasilkan acak dengan rumusan
matematik, atau bilangan acak diperoleh berdasar hitungan
distribusi statistik tertentu, Misal Poisson, Eksponensial, dsb.
 Jenis Bilangan Acak
1. Midsquare Method
1. Prosedur;
1. Tentukan Seed; angka random awal dari 4 digit
angka random
2. Kuadratkan
3. Ambil empat digit yang ditengah
4. Kembali ke langkah 2
5. Ulang sebanyak bilangan acak yang di-inginkan
6. Contoh: Seed= 7812, (7812)2 , 51581124,
(5811)2
Bentuk Tabulasi Midsquare method
Zi U Zi2
Bilangan acak
terpilih
7182 - 51581124

5811 0.5811 33767721

7677 0.7677 58936329

9363 0.9363
 Random Number Generator
Linear Conguential Generator (LCG)
Rumus;
Zi = (a Zi-1 + c ) mpd m
Dimana a = multiplier, c = increment, Zo = Seed
Zi = Sisa hasil bagi random number , m = angka modul;
Syarat konstanta;
harga a > m atau ; m/100 < a < m - m
Harga c harus ganjil, tidak merupakan kelipatan dari angka m
Modul m harus bilangan yang tdak dapat dibagi (Bilangan prima)
Harga Seed harus angka integer ganjil dan besar.
Ui = Zi /m
 Random Number Generator
Multiplicative Congruential Generator
(MCG)
Rumus: Zi = (a Zi-1) mod m
Mixed Congruential Generator (Linier
Congruential Random Number Generator);
Rumus;
Zn = an Zo + (an 1)/(a 1). C (mod m)
 Linier Congruential Random
Number Generator
Persyaratan
Persyaratan;
N integer > 0, C = Bilangan prima
Bila C bilangan prima terhadap n berarti pembagi
umum yang terbesar dari c dan m adalah 1.
.a= 1 (mod q) untuk setiap faktor prima q dari m
berarti a q (a/q) = 1, bila k = (a/q) maka a = 1 + q k,
dimana q adalah faktor prima dari m
.a = 1 (mod 4) bila 4 adalah faktor dari m berarti a = 1
+ 4k, bila m/4 = integer (bila m dibagi 4, hasilnya
bulat)
 Cara Pemilihan mod m
Definisi; m angka integer terbesar hasil dari perkalian
awal yang sebagai pembagi dengan angka integer lain.
Contoh:
Zo = 7, a = 5 c = 3
Berdasar metoda Multiplicative Congruential Generator) ; Zi = (a Zi-
1) mod m
Z1 = (5x7+3) mod m, m = angka integer
Angka m dihasilkan dari 38 dibagi 2 angka prima nya adalah 16.
Z1 = 6, Z2 = (5x6+3) mod 16 , Z2 = 33 mod 16 =1 , Z3 = (5x1+3)
mod 16 , z3 = 8 mod 16 = 8, Z4 = (5x8+3) mod 16 = 43 mood 16 =
11
Bilangan random ; U1 = 6/16, U2 = 1/16, U3=8/16, U4= 11/16
 Validasi Bilangan Acak
Pengujian dimaksudkan untuk melihat
distribusinya, urutan ke-acakan-nya.
Metoda pengujian ;
Uji empiris; dilakukan dengan uji statistik;
Chi-Square test; Uji keseragaman
Run test; Ujui keacakan
UJi teoritis; dilakukan uji parameter pembangkit untuk
pembangkitan secara menyeluruh.
Spectral test
Lattice test
 Chi Square test
Dibangkitkan 100 bilangan acak yang akan
dikelompokkan dalam 10 kelompok kelas
probabilitas.
Kelas Frekuensi Frekuensi (Fo-Fe)2/Fe
Bilangan acak harapan Fe Chi-sqre.
Fo
0.0 0.09 9 10 0.1
0.1 0.19 12 10 0.4
0.2 0.29 10 10 0.0
0.3 0.39 11 10 0.1
0.4 0.49 8 10 0.4
0.5 0.59 10 10 0.0
0.6 0.69 10 10 0.0
0.7 0.79 7 10 0.9
0.8 0.89 12 10 0.4
0.9 1.00 11 10 0.1
0.1
100 100 2.4
 Chi Square test
Pengujian:
Ho = data/acak terdistribusi seragam
H1 = Tidak terdistribusi seragam
Selang kepercayaan = 0.05 (5%)
Nilai Chi-square tabel = 16.919
Chi-square hitung = 2.4 artinya < nilai tabel
Kesimpulan terima Ho
 Run Test
Urutan ke-acak-an diuji
Cara uji;
Bilangan acak dalam urutannya bila harganya naik beri satu tanda +,
sdebaliknya tanda -, seterusnya sampai seluruh bilangan acak.
Contoh; 40 bilangan acak sbb;
0.43;0.32;0.48;0.23;0.90;0.72;0.94;0.11;0.14;0.67;0.61;0.25;0.45;0.56;0.87;0
.54;0.01;0.64;0.65;0.32;0.03;0.93;0.08;0.58;0.41;0.32;0.03;0.18;0.90;0.74;0.
32;0.75;0.42;0.71;0.66;;0.03;0.44;0.99;0.40;0.55.
Total run x = 26 (26 tanda + dan -)
Nilai harapan total run;
= (2n 1)/3 = ((2x40)-1)/3 = 26.33
Variansi jumlah run; 2 = (16n 29)/90 = ((16x40)-29)/90= 6.79
Standar deviasi = 2.61
Pengujian dengan distribusi normal;
Ho : = 26.33, H1 = bukan
Z = (a )/ = (26 26.33)/ 2.61 = - 0.13
Batas selang-kepercayaan -1.96 s/d 1.96., berartyi harga Z ada didalamnya
Terima Ho
 KESIMPULAN
Keuntungan simulasi adalah;
Model simulasi sebagai fasilitas untuk menangani
masalah ketidak pastian
Dapat dilakukan ber-ulang kali, dengan me-robah
nilai variabel
Angka acak dapat di-uji statistik
Hasil hanya merupakan kemungkinan yang dapat
terjadi.
Kerugian: (?)
Model Simulasi mempergunakan suatu desain
sistem dari kejadian yang sebenarnya dengan
memasukkan sejumlah variabel kedalam
variabel. Optimasi simulasi tergantung dari
banyaknya dan interaksi variabel.